[논문 리뷰] FastPET: Near Real-Time PET Reconstruction from Histo-Images Using a Neural Network

William Whiteley, Vladimir Panin외 4명|arXiv (Cornell University)|2020. 02. 11.

Medical Imaging Techniques and Applications참고 문헌 34인용 수 8

한 줄 요약

FastPET는 리스트모드 PET 데이터에서 가장 가능성 높은 붕괴 위치 히스토그램화를 통해 유도된 히스토이미지로부터 직접 3D 복소망을 사용하여 실시간에 가까운 PET 영상을 재구성하는 경량 3D 합성곱 신경망을 제안한다. 이는 OSEM+PSF보다 67배 빠른 속도로 높은 영상 품질과 낮은 노이즈를 유지하면서도 저선량 및 다중 트레이서 조건에서도 성능을 유지를 한다.

ABSTRACT

Direct reconstruction of positron emission tomography (PET) data using deep neural networks is a growing field of research. Initial results are promising, but often the networks are complex, memory utilization inefficient, produce relatively small 2D image slices (e.g., 128x128), and low count rate reconstructions are of varying quality. This paper proposes FastPET, a novel direct reconstruction convolutional neural network that is architecturally simple, memory space efficient, works for non-trivial 3D image volumes and is capable of processing a wide spectrum of PET data including low-dose and multi-tracer applications. FastPET uniquely operates on a histo-image (i.e., image-space) representation of the raw data enabling it to reconstruct 3D image volumes 67x faster than Ordered subsets Expectation Maximization (OSEM). We detail the FastPET method trained on whole-body and low-dose whole-body data sets and explore qualitative and quantitative aspects of reconstructed images from clinical and phantom studies. Additionally, we explore the application of FastPET on a neurology data set containing multiple different tracers. The results show that not only are the reconstructions very fast, but the images are high quality and lower noise than iterative reconstructions.

연구 동기 및 목표

• 반복적 재구성의 병목 현상을 피하는 직접적인 3D PET 재구성에 적합한 빠르고 메모리 효율적인 딥러닝 방법 개발
• 기존 딥러닝 PET 재구성 모델의 계산 비효율성과 높은 메모리 사용을 해결
• 동적, 게이팅, 개입형 PET 응용 분야에 적합한 실시간 또는 near real-time 재구성 지원
• 재학습 없이도 저선량 전체체 및 다중 트레이서 신경영상 스캔을 포함한 다양한 데이터 유형에 대한 일반화 능력 입증
• 공간적 및 시간적 상관관계를 유지하는 히스토이미지 표현 방식의 타당성을 탐색하여 네트워크 성능 향상 가능 여부 검토

제안 방법

• 원시 리스트모드 PET 데이터는 가장 가능성 높은 붕괴 위치(MLAP) 히스토그램화 기법을 통해 처리되어 시간 도달 정보(TOF)를 포함한 붕괴 사건의 공간 분포를 나타내는 3D 히스토이미지를 생성한다.
• 이 히스토이미지와 함께 감쇠 지apap을 3D U-Net 유사 합성곱 신경망에 입력하여 정량적 PET 영상을 생성한다.
• OSEM+PSF 재구성 결과를 참조 타겟으로 삼아 지도 학습 방식으로 네트워크를 훈련시켜 재구성 맵핑의 엔드 투 엔드 학습을 가능하게 한다.
• 단일 사전 학습된 네트워크를 저선량 영상 또는 뇌 전용 다중 트레이서 연구와 같은 새로운 작업에 최소한의 미세조정으로 적응시키기 위해 전이 학습을 적용한다.
• 히스토이미지의 국소 상관관계와 낮은 노이즈 특성을 활용하여 네트워크의 일반화 능력과 계산 효율성을 향상시킨다.
• 입력 및 출력 데이터 범위의 변동을 처리하기 위해 네트워크 내부에서 적응형 정규화를 적용하여 임의의 스케일링을 방지하고 정량적 정확성을 유지한다.

실험 결과

연구 질문

• RQ1 경량 3D 합성곱 신경망이 반복 보정 없이 히스토이미지에서 직접 near real-time PET 재구성을 달성할 수 있는가?
• RQ2 다양한 임상 데이터에서 기존 OSEM+PSF 재구성과 비교해 FastPET의 영상 품질, 노이즈 감소 및 구조 보존 능력은 어떠한가?
• RQ3 단일 네트워크가 저선량 전체체 스캔 및 다중 트레이서 신경영상 연구와 같은 다양한 영상 환경에서 얼마나 잘 일반화되는가?
• RQ4 네트워크 아키텍처와 입력 표현 방식(히스토이미지)이 재구성 속도와 메모리 효율성에 미치는 영향은 어떠한가?
• RQ5 명시적 정규화가 없는 상황에서 네트워크가 정량적 정확성을 학습하는 데 미치는 영향은 무엇이며, 편향과 일반화에 어떤 함의를 갖는가?

주요 결과

• FastPET는 OSEM+PSF보다 67배 빠른 속도로 3D PET 영상 볼륨을 재구성하여 동적 및 개입형 영상에 적합한 near real-time 재구성을 가능하게 한다.
• 재구성 영상의 노이즈는 OSEM+PSF보다 낮고 신호 대 노이즈 비율이 높은 반면, 조직 경계에서 고주파 세부 정보에 약간의 손실이 있다.
• 저선량 데이터(25% 카운트)에 대해 미세조정된 단일 네트워크가 전체 카운트 네트워크와 거의 동일한 성능을 보였으며, 저선량 조건에 대한 강력한 일반화 능력을 입증한다.
• FastPET-Brain 버전은 재학습 없이도 뇌 영상에서 여러 트레이서에 대해 일반화 성능을 보였으며, 트레이서 특이적 변동에 대한 강건성을 입증한다.
• 명시적 정규화 없이도 내부 스케일링을 통해 다양한 입력 및 출력 데이터 범위에 적응하여 정량적 정확성을 유지하는 이미지를 생성하는 것을 학습했다.
• 높은 성능에도 불구하고 일부 영상에서 체계적이지 않은 편향이 관찰되었으며, 이는 최적의 데이터 정규화 부족으로 인한 것으로 보이며, 향후 연구에서 개선된 정규화 기법이 필요할 것으로 제안된다.